چالش فرهنگی هوش مصنوعی: چرا مدل‌های زبانی بزرگ (LLMs) تعارف فارسی را درک نمی‌کنند؟

تعارف چیست و چرا برای هوش مصنوعی دشوار است؟

تعارف در فرهنگ ایرانی صرفاً یک روش مؤدبانه برای رد کردن یک پیشنهاد نیست؛ بلکه مجموعه‌ای از کنش‌های زبانی و اجتماعی پیچیده است که نقشی حیاتی در تعاملات روزمره، مهمان‌نوازی، مناسبات قدرت و حفظ «چهره» اجتماعی افراد ایفا می‌کند.

در یک موقعیت تعارفی، ممکن است فرد در ابتدا پاسخ «نه» بدهد، نه به دلیل عدم تمایل، بلکه به عنوان نشانه‌ای از ادب و احترام. این امر اغلب منجر به اصرار طرف مقابل می‌شود و در نهایت ممکن است پاسخ مثبت داده شود. همچنین، تعارف می‌تواند شامل مطرح کردن غیرمستقیم درخواست یا ابراز ظریف ضعف باشد تا طرف مقابل را به پیش‌قدم شدن ترغیب کند. در بسیاری از موارد، «نه» صریح در این بافت، معنای منفی واقعی ندارد.

شکاف عملکردی مدل‌های زبانی بزرگ

مطالعه‌ای اخیر با عنوان TaarofBench، که شامل ۴۵۰ موقعیت نقش‌آفرینی در تعاملات روزمره بود، نشان داد که مدل‌های زبانی فعلی در تشخیص و واکنش مناسب نسبت به تعارف، حدود ۴۰ تا ۴۸ درصد ضعیف‌تر از انسان‌ها عمل می‌کنند. این آمار نشان‌دهنده آن است که حتی پیشرفته‌ترین مدل‌ها نیز فاقد درک کافی از این نظام پیچیده اجتماعی هستند.

داده‌های آموزشی و گرایش به صراحت

بسیاری از مدل‌های زبانی بزرگ با استفاده از حجم عظیمی از داده‌های زبان انگلیسی و سایر زبان‌های رایج جهانی آموزش دیده‌اند. در این داده‌ها، سبک نوشتار غالب، مستقیم، صریح و با کمترین ابهام است. زبان نوشتاری علمی، خبری یا فنی معمولاً نیازی به پیچیدگی‌های تعارف ندارد.

هنگامی که این مدل‌ها با زبان فارسی مواجه می‌شوند، همچنان ذهنیت «ساده و مستقیم بودن» را حفظ می‌کنند و فرض بر این است که آنچه گفته شده، همان منظور گوینده است. بنابراین، وقتی فردی «نه» می‌گوید، مدل آن را به معنای منفی می‌گیرد، بدون در نظر گرفتن زیرمتن فرهنگی تعارف. عملکرد این مدل‌ها در مواجهه با ورودی‌های تعارفی فارسی، به مراتب ضعیف‌تر از تعاملات صریح است.

بسیاری از سیستم‌های زبان مصنوعی از چارچوب‌های غربی «مودب بودن» بهره می‌برند که ممکن است با معیارهای فرهنگی ایرانی همخوانی نداشته باشد. چیزی که در انگلیسی ادب تلقی می‌شود، ممکن است در فارسی کافی یا حتی نادرست به نظر برسد.

دشواری ارزیابی و برچسب‌گذاری داده‌ها

برای اینکه یک مدل هوش مصنوعی بتواند تعارف را درک کند، به داده‌هایی بسیار متنوع شامل موقعیت‌های رفتاری، نقش‌ها، زمینه اجتماعی، ارتباط بین افراد و حتی نیت‌های پنهان نیاز است. متأسفانه، داده‌های فارسی کافی، متنوع و با برچسب‌های دقیق برای پدیده تعارف در دسترس نیست.

پژوهشگران در برچسب‌گذاری تعاملات تعارفی با چالش‌های سختی روبرو هستند:

• تشخیص تفاوت بین «نه واقعی» و «نه تعارفی».
• تعیین تعداد مراحل تعارف انجام شده.
• زمان مناسب برای پذیرش یا رد نهایی.

این پرسش‌ها توسط انسان‌ها با تکیه بر تجربه اجتماعی پاسخ داده می‌شوند و معمولاً در متون نوشته شده به وضوح برچسب‌گذاری نشده‌اند. همچنین، تعاملات اجتماعی در هر فرهنگ، زمینه‌مند هستند و تعارف اغلب در موقعیت‌هایی به کار می‌رود که بار عاطفی، قدرت اجتماعی، میزان آشنایی و زمینه تاریخی اهمیت دارد. بدون دانش زمینه‌ای از روابط بین افراد و قواعد نانوشته اجتماعی، تشخیص تعارف برای هوش مصنوعی غیرممکن است.

نیاز به داده‌های بومی و حساسیت فرهنگی

کارشناسان معتقدند گام کلیدی برای حل این مشکل، ایجاد پایگاه‌های داده بومی و توجه ویژه به آموزش مدل‌ها با ظرافت‌های زبانی و فرهنگی فارسی است. اگرچه هوش مصنوعی در زبان‌های جهانی به بلوغ بیشتری رسیده، اما برای زبان‌هایی با پیچیدگی‌های خاص فرهنگی مانند فارسی، هنوز فاصله زیادی تا دقت انسانی وجود دارد.

پروژه‌هایی نظیر TaarofBench نشان داده‌اند که با طراحی موقعیت‌های شبیه‌سازی‌شده و جمع‌آوری داده‌های واقعی از گفت‌وگوهای روزمره، می‌توان مدل‌ها را گام‌به‌گام به فهم بهتر تعارف و آداب اجتماعی فارسی نزدیک کرد. در واقع، تنها پردازش سطحی یا ترجمه ماشینی کافی نیست، بلکه باید داده‌هایی از بطن فرهنگ ایرانی گردآوری و در آموزش مدل‌ها به کار گرفته شود.